Informe de Resultados Red Multiambiental de Evaluación de híbridos de Maíz Tarío

1 Introducción

El cultivo de maíz (Zea mays) es uno de los más importantes en los sistemas productivos de la región. La alta producción de biomasa de este cultivo genera un importante aporte de C al suelo. Además, su inclusión en la rotación disminuye la incidencia de enfermedades y plagas en otros cultivos.

El rendimiento de un cultivo (fenotipo) es función del resultado acumulativo de numerosos factores que inciden en la interacción entre la expresión del material genético del híbrido o cultivar (genotipo) y las condiciones en las cuales la planta crece (ambiente). Los ambientes difieren en la cantidad y calidad de recursos que están disponibles para las plantas (agua, nutrientes y radiación), y las plantas capturan y convierten dichos recursos en biomasa y órganos de interés comercial, según su carga genética, que a su vez es modulada por el ambiente (Yan y Kang, 2002).

Según el objetivo de mejoramiento, los genotipos pueden ser seleccionados para mejorar su adaptación a un amplio rango de condiciones ambientales o bien para condiciones más específicas. En este último caso, la adaptación sitio-específica de los genotipos se relaciona con el fenómeno denominado interacción genotipo-ambiente (GA), el cual se observa cuando la performance relativa de los fenotipos depende del ambiente en el que crecen (Malosetti et al., 2013).

La interacción GA reduce la asociación entre los valores fenotípicos y genotípicos, lo cual puede ocasionar que los genotipos seleccionados por su performance en un ambiente tengan tengan mal desempeño en otro. Es por ello que en presencia de fuerte interacción GA, gran parte del éxito productivo del cultivo de maiz es el resultado de la elección de los materiales más aptos para cada ambiente.

1.1 Objetivos

  • Resumir los datos de rendimiento de los genotipos de maiz evaluadas en la Red CREA RNSF de Ensayos Multiambientales durante la campaña 2021/22.

  • Analizar estadísticamente los datos comparando los genotipos globalmente en toda la red en la campaña 2021/22.

  • Explorar y describir los patrones de la interacción GA en la campaña 2021/22 en particular y considerando el conjunto de ambientes explorados en las distintas localidades y campañas.

2 Metodología

2.1 Sitios experimentales

Durante la campaña 2021/22 se llevaron adelante ensayos comparativos de rendimiento de genotipos de maiz tardío en 5 localidades del Norte de la Provincia de Santa Fe. Los sitios seleccionados para los ensayos en cada localidad corresponden a establecimientos productivos de miembros CREA de la Región Norte de Santa Fe. La distribución espacial e información de los ensayos se muestra en la Figura 2.1. A modo de referencia se incluye la ubicación de los ensayos de las campañas anteriores.

Mapa interactivo: se puede hacer zoom o mostrar/ocultar información de cada ensayo (Fecha de siembra, antecesor, densidad, fertilizacion, etc) haciendo haciendo clik sobre los puntos de la campaña 2021/22.

Figura 2.1: Distribución espacial de las localidades incluidas en la campaña 2021/22 y anteriores

En cada sitio se establecieron ensayos comparativos de rendimiento (ECR) utilizando un diseño experimental sin réplicas con controles sistemáticos (Kempton, 1997). Los materiales fueron sembrados con espaciamiento entre surco (EES) de 52 cm en franjas de 4.16 m de ancho por de 200 m de longitud.

2.2 Genotipos

Los tratamientos evaluados en la campania 2021/22 fueron 28 genotipos. En la Tabla 2.1 se indican las localidades en las que fueron evaluados.

Tabla 2.1: Cultivares evaluadas y localidades en las que fueron incluidas
Semillero Genotipo Localidades
Calchaquí Colonia Duran Margarita Ruta 39 San Justo
ACA 473 VT3P
ACA 476 VT3P
ACA 490 VIP3
ARG 7718 MGRR2
BRV 8380 PWU
BRV 8472 PWU
NEXT 25.8 PWU
DM 2789 VIP3
DUO 255 PWU
HS 687 MGRR MGRR2
LT 723 VT4P
LT 785 VT4P
DK 72-02 VT3P
DK 72-20 VT3P
DK 72-20 VT4P
DK 72-70 VT3P
NXM 7123 PWU
AX 7818 VIP3
NS 7921 VIP3 CL
NK 842 VIP3
ACRUX PWU
ZEFIR PWU
PAN 5175 PWU
P 1804 PWU
P 2021 PWUE
P 2089 VYHR
P 2297 PWU
SPS 2743 VIP3

La mayoría de los genotipos estuvieron presentes en las 5 localidades. Los genotipos LT 723 VT4P, LT 785 VT4P, DK 72-02 VT3P, DK 72-20 VT4P y DK 72-70 VT3P no estuvieron presentes en las localidades Calchaqu, San Justo y Ruta 39. Asímismo, DK 72-20 VT3P y P 2089 VYHR sólo fueron evaluados en la localidad San Justo y Ruta 39 respectivamente.

El genotipo P 2021 PWUE actuó como referencia o check, con más de una réplica por localidad. Para el análisis global se utilizaron los datos de todos los genotipos con presentes en al menos tres localidades.

3 Resultados

3.1 Rendimiento testigo

En la Tabla 3.1 se muestran los rendimientos promedio por localidad de los genotipos utilizados como check o control.

Tabla 3.1: Rendimiento seco medio y coeficiente de variación por localidad de los genotipos utilizados como check
Localidad media CV min max
Calchaquí 5076 6 4651 5499
Colonia Duran 4655 16 3574 5511
Margarita 5370 12 4348 6136
Ruta 39 5891 1 5793 5983
San Justo 4581 6 4317 4918

En general la variabilidad observada en el control repetido fue baja indicando homogeneidad en las condiciones experimentales dentro de cada sitio. En las localidades Colonia Duran y Margarita se observó mayor variación entre las parcelas con el testigo. La Tabla 3.2 muestra el stand de plantas promedio logrado en las distintas localidades, el .

Tabla 3.2: Stand de plantas logrado en cada localidad
Localidad Promedio CV (%)
Calchaquí 5 4
Colonia Duran 5 4
Margarita 5 16
Ruta 39 4 13
San Justo 6 5

El stand mostró baja variación dentro de las localidades, con CV en torno al 4%, excepto para Margarita y Ruta 39.

3.2 Rendimientos por Localiad

Las Figuras 3.1 y ?? muestran los rendimientos medios por localidad, respectivamente. La línea continua representa el promedio en toda la campaña.

Gráficos interactivos: se puede hacer zoom o mostrar/ocultar los grupos de datos haciendo doble-click en la leyenda.

Figura 3.1: Rendimiento seco promedio y desvío estándar por Localidad

Los rendimientos promedio de las localidades variaron entre ~ 4700 (Colonia Durán) a 4700 kg ha-1 (Margarita). Este aspecto determina el rango del índice ambiental explorado. Por otro lado, las parcelas con checks mostraron rendimientos en torno al rendimiento promedio de la localidad o inferiores, con mayor dispersión en Margarita y Colonia Duran.

3.3 Rendimientos por Genotipo

En la Figura 3.2 se presentan los valores medios y desviaciones estándar de los rendimientos seco de los genotipos considerando la variabilidad entre localidades.

Gráficos interactivos: se puede hacer zoom o mostrar/ocultar los grupos de datos haciendo doble-click en la leyenda.

Figura 3.2: Rendimientos medios y desvio estándar de los genotipos

En general todos los genotipos presentaron rendimientos medios entre 4100 y 6500 kg ha-1. La amplitud de las barras de cada material representan las diferencias de variabilidad entre ambientes. Entre los genotipos testeados en los 5 ambientesm, P 1804 PWU, ZEFIR PWU y BRV 8472 PWU tuvieron los rendimientos más altos.

3.4 Rendimientos promedio y CV

En la Tabla 3.3 se presentan los promedios y \(CV\) por Genotipo y Localidad, del rendimiento seco en kg/ha y base 100. Los genotipos están ordenados en función del valor relativo promedio. Los colores están ordenados en función del valor relativo de cada localidad.

Los datos pueden descargarse de los siguientes enlaces: medias_CV_rend_real.xlsx

3.4.1 Tabla rendimiento y CV

Tabla 3.3: Rendimiento seco medio (kg/ha) y coeficiente de variación por genotipo y localidad
Localidad Promedio CV
Calchaquí Colonia Duran Margarita Ruta 39 San Justo
DK 72-20 VT4P 115 (5511) 124 (7219) 120 (6365) 5 (19)
P 1804 PWU 123 (5836) 133 (6337) 118 (6880) 119 (6740) 104 (5580) 119 (6275) 9 (9)
P 2089 VYHR 118 (6677) 118 (6677) NA (NA)
ZEFIR PWU 99 (4695) 144 (6865) 100 (5850) 115 (6542) 127 (6828) 117 (6156) 16 (15)
BRV 8472 PWU 99 (4712) 118 (5648) 129 (7508) 110 (6233) 117 (6334) 115 (6087) 10 (17)
BRV 8380 PWU 122 (5819) 109 (5229) 120 (7002) 112 (6342) 87 (4664) 110 (5811) 13 (16)
NEXT 25.8 PWU 103 (4908) 92 (4393) 140 (8172) 89 (5026) 117 (6329) 108 (5766) 19 (26)
LT 785 VT4P 124 (5924) 90 (5217) 107 (5570) 22 (9)
DUO 255 PWU 95 (4528) 116 (5523) 97 (5674) 117 (6637) 97 (5244) 104 (5521) 11 (14)
ACA 490 VIP3 100 (4767) 95 (4536) 103 (6000) 94 (5364) 124 (6671) 103 (5468) 12 (16)
P 2297 PWU 89 (4231) 118 (5642) 103 (6007) 92 (5225) 108 (5835) 102 (5388) 12 (13)
NS 7921 VIP3 CL 88 (4201) 83 (3982) 129 (7500) 97 (5496) 110 (5925) 101 (5421) 18 (26)
NK 842 VIP3 97 (4625) 69 (3306) 133 (7764) 81 (4599) 121 (6501) 100 (5359) 27 (33)
ACA 473 VT3P 87 (4135) 92 (4408) 108 (6272) 119 (6774) 94 (5085) 100 (5335) 13 (22)
LT 723 VT4P 98 (4689) 101 (5870) 100 (5280) 2 (16)
DM 2789 VIP3 101 (4800) 98 (4689) 105 (6136) 91 (5139) 97 (5249) 98 (5203) 5 (11)
ACA 476 VT3P 110 (5216) 98 (4700) 94 (5479) 85 (4800) 104 (5593) 98 (5158) 10 (8)
P 2021 PWUE 107 (5076) 97 (4655) 92 (5370) 104 (5891) 85 (4581) 97 (5115) 9 (11)
NXM 7123 PWU 90 (4304) 112 (5367) 84 (4898) 103 (5820) 83 (4500) 94 (4978) 13 (13)
HS 687 MGRR MGRR2 92 (4380) 112 (5373) 87 (5063) 100 (5682) 77 (4166) 94 (4933) 14 (13)
SPS 2743 VIP3 91 (4330) 74 (3562) 100 (5843) 102 (5813) 96 (5167) 93 (4943) 12 (20)
DK 72-20 VT3P 91 (4914) 91 (4914) NA (NA)
PAN 5175 PWU 101 (4822) 63 (3010) 98 (5720) 90 (5126) 102 (5503) 91 (4836) 18 (22)
AX 7818 VIP3 97 (4595) 116 (5536) 42 (2454) 85 (4811) 110 (5934) 90 (4666) 33 (29)
DK 72-02 VT3P 95 (4536) 82 (4789) 88 (4662) 10 (4)
ACRUX PWU 113 (5400) 64 (3038) 70 (4086) 99 (5640) 85 (4585) 86 (4550) 23 (23)
DK 72-70 VT3P 81 (3857) 78 (4520) 80 (4188) 3 (11)
ARG 7718 MGRR2 96 (4582) 84 (4004) 70 (4091) 80 (4520) 63 (3415) 79 (4122) 16 (11)
Promedio 100 (4760) 100 (4782) 100 (5822) 100 (5677) 100 (5391)

El nivel de variabilidad de los genotipos a través de los ambientes mostró valores moderados(15%) en los datos expresados en rendimiento absoluto. Aproximadamente el 50% de los genotipos tuvo CV de rendimiento entre 11 y 21%. Al considerar los valores relativos, la variabilidad se reduce (el 50% de los híbridos pasa a tener CV entre 10 y 17%), ya que se remueve en parte el efecto de la variación entre localidades.

En general se observaron cambios en la posición relativa a través de las localidades. En algunos casos, estos cambios fueron pequeños, por ejemplo P 1804 PWU que se mantuvo dentro del grupo de altos rendimientos o intermedio entre los 5 ambientes. En otros casos, genotipos pasaron de grupo superior a valores de rendimiento relativo debajo de 90 o menos (NEXT 15.8 PWU).

3.4.2 Gráfico

La Figura 3.3 presenta la relación entre los rendimientos promedio expresados en valores relativos y la estabilidad (indicada por el CV) de los genotipos a través de las localidades incluidas en la red durante la campaña 2021/22.

Figura 3.3: Rendimiento seco medio corregido a 42% MG (en kg/ha) y CV (%) de los genotipos evaluados en la campaña 2021/22

Tomando el rendimiento y CV medios de la red (líneas punteadas), se observa que el genotipo de mayor rendimiento relativo promedio (P 1804 PWU, ZEFIR PWU y BRV 8472 PWU) mostró valores de variabilidad relativamente bajos (10-15%).El genotipo AX 7818 VIP3 logró rendimientos promedio algo inferiores al promedio general con alto CV entre localidades.

3.5 Diferencias entre genotipos

En la Tabla 3.4 se presentan los resultados del análisis de la varianza (ANOVA) del modelo mixto ajustado usando la informacion de los genotipos con al menos tres localidades.

Tabla 3.4: Tabla de Análisis de la Varianza del modelo lineal mixto
gl num gl den F Valor p
(Intercept) 1 79 5.98 0.01666
Genotipo 20 79 2.74 0.00079
stand 1 79 35.21 0.00000

Se detectaron diferencias de rendimiento estadísticamente significativas al 10% considerando la red en su conjunto y considerando la heterogeneidad de variabilidad entre localidades (p < 0.001). El efecto del stand de plantas fue significativo al 10%. En Tabla 3.5 se listan los valores medios ajustados, errores estándar e intervalos de confianza de los rendimientos medios de cada genotipo. La amplitud de los \(IC_{90}\) responde a que el espacio de inferencia es toda la región de donde proviene la muestra de las 5 localidades analizadas y la precisión alcanzada según el número de réplicas.

Tabla 3.5: Rendimientos intervalos de confianza 90% ajustados por el modelo-mixto
Rend. medio Error estándar gl LI IC90 LS IC90 grupo
P 1804 PWU 6172 362 4 5401 6944 1
ZEFIR PWU 5854 521 4 4743 6965 123
BRV 8472 PWU 5780 374 4 4984 6577 12
BRV 8380 PWU 5724 465 4 4734 6715 123
DUO 255 PWU 5618 338 4 4897 6339 12
NEXT 25.8 PWU 5611 589 4 4356 6866 123
ACA 490 VIP3 5393 475 4 4381 6404 123
P 2297 PWU 5354 449 4 4398 6311 123
ACA 476 VT3P 5284 352 4 4533 6034 123
NS 7921 VIP3 CL 5210 500 4 4145 6275 123
P 2021 PWUE 5203 375 4 4403 6003 123
ACA 473 VT3P 5171 447 4 4219 6123 123
ACRUX PWU 5161 581 4 3923 6399 123
HS 687 MGRR MGRR2 5157 404 4 4295 6019 123
NXM 7123 PWU 5152 345 4 4416 5888 123
NK 842 VIP3 5126 655 4 3730 6522 123
DM 2789 VIP3 5088 271 4 4511 5666 23
PAN 5175 PWU 4922 455 4 3953 5891 123
SPS 2743 VIP3 4823 362 4 4050 5595 23
AX 7818 VIP3 4759 666 4 3340 6178 123
ARG 7718 MGRR2 4525 330 4 3821 5229 3

El cuadro anterior representa el ranking de genotipos ordeandos por el rendimiento global para la zona de influencia de la Red. El rendimiento medio representa la mejor estimación global del rendimiento de cada genotipo para la región en general a partir de la información obtenida en el presente ensayo. Este valor estimado se acompaña de los límites de un intervalo de confianza (LI IC90 y LS IC90) los cuales representan la región donde se encuentra el verdadero valor del rendimiento.

Considerando la red globalmente, el ranking de materiales muestra diferencias de 1100 kg entre el material P 1804 PWU y el grupo conformado por DM 2789 VIP3, SPS 2743 VIP3 y ARG 7718 MGRR2. Tambien se diferenciaron BRV 8472 PWU y DUO 255 PWU respecto a ARG 7718 MGRR2.

3.6 Interacción GA

3.6.1 Campaña actual

Las diferencias de los rendimientos medios de cada localidad resumen la heterogeneidad de condiciones ambientales a las cuales fueron sometidos los genotipos evaluados. Utilizando esta información se construye un índice ambiental (IA) que se utiliza para modelar la interacción genotipo x ambiente a partir de rendimientos de cada genotipo y ambiente. En la Tabla 3.6 se presenta la tabla de ANOVA del modelo.

Tabla 3.6: Tabla de ANOVA del modelo de regresión para la interacción GxA
Fuente gl SC CM F Valor p
Localidad 4 22360832.63 5590208.16 8.63 <0.0001
Genotipo 20 29394111.73 1469705.59 2.27 0.0077
Genotipo:IA 20 20956925.74 1047846.29 1.62 0.0779
Residuals 60 38850288.43 647504.81

Según este análisis, se detecta interacción significativa entre los materiales evaluados y el índice ambiental (p = 0.0779). Esto implica que las diferencias de sensibilidad observadas resultron en variaciones significativas de las pendientes de la relación IA y rendimiento en el rango de valores de IA explorados.

En la Figura 3.4 se presentan las gráficas correspondientes a las normas de reacción a los cambios del IA en relación a la respuesta promedio (recta 1:1).

Gráficos interactivos: se puede hacer zoom o mostrar/ocultar los grupos de datos haciendo doble-click en la leyenda. Por defecto se muestra el primer genotipo, pero haciendo click o doble-click sobre los nombres de los genotipos se pueden agregar/remover rectas para comparar.

Figura 3.4: Respuesta diferencial de cada Genotipo a los cambios del IA

Las pendientes (\(\beta\)) de las rectas (línea sólida de color) representan la sensibilidad de cada genotipo a la calidad del ambiente caracterizada por el rendimiento medio de la localidad. La sensibilidad promedio (línea punteada) representa la respuesta general de todos los genotipos. Para un genotipo cualquiera, si el valor de la pendiente es \(\beta_i > 1\), el genotipo en cuestión tiene mayor sensibilidad a los cambios de calidad del ambiente (a mayor calidad ambiental, mayor rendimiento, y vice versa). En cambio si \(\beta_i < 1\), entonces el genotipo es menos sensible y tendría mejores respuestas en ambientes malos y respuestas inferiores al promedio en ambientes buenos. Las diferencias entre las pendientes de los distintos genotipos representa la interacción GA.

A modo descriptivo los valores estimados de los \(\beta\) para algunos genotipos, como por ejemplo PAN 5175 PWU, BRV 8472 PWU, SPS 2743 VIP3, ACA 473 VT3P, NEXT 25.8 PWU, NS 7921 VIP3 CL, y NK 842 VIP3 mostraron pendientes positivas 25% mayores al promedio general. En el otro extremo, AX 7818 VIP3, ARG 7718 MGRR2, HS 687 MGRR MGRR2, NXM 7123 PWU, ACA 476 VT3P, ZEFIR PWU, ACRUX PWU, P 2021 PWUE, y P 1804 PWU fueron los materiales con menor sensibilidad (pendientes 25% menores a 1). Sólo las pendientes estimadas para AX 7818 VIP3, NEXT 25.8 PWU, NK 842 VIP3, NS 7921 VIP3 CL fueron estadísticamente distintas de la recta 1:1.

El siguiente gráfico muestra la relación entre las pendientes estimadas y los rendimientos medios de cada genotipo.

Figura 3.5: Coeficiente de sensibilidad vs rendimiento medio de los genotipos a través de las localidades

Se observa que entre los materiales con mayores rendimiento promedio los valores de sensibilidad fueron inferiores a 1.

3.6.2 Últimas dos campañas

Al considerar los ambientes evaluados en las últimas 2 campañas (combinacion localidad x campaña), sólo 8 genotipos estuvieron presentes en los 9 ambientes explorados en las últimas 2 campañas. En la Tabla 3.7 se presenta la tabla de ANOVA del modelo de regresión de la media ajustado.

Tabla 3.7: Tabla de ANOVA del modelo de regresión para la interacción GxA últimas 2 campañas.
Fuente gl SC CM F Valor p
Localidad 6 176702714.89 29450452.48 51.11 <0.0001
Genotipo 7 12355527.32 1765075.33 3.06 0.0092
Genotipo:IA 8 37149169.19 4643646.15 8.06 <0.0001
Residuals 50 28808211.90 576164.24

Según este análisis la interacción entre los materiales evaluados y el índice ambiental es significativa. Esto implica que al menos uno de los genotipos mostró una norma de reacción o sensibilidad diferente al promedio. La Tabla 3.8 muestra los valores de pendiente estimados.

Tabla 3.8: Penidentes estimadas últimas 2 campañas.
Genotipo Beta Error estándar gl LI IC90 LS IC90
PAN 5175 PWU 1.23 0.16 56 0.92 1.54
P 2021 PWUE 1.18 0.16 56 0.87 1.49
ACA 476 VT3P 1.14 0.16 56 0.83 1.46
ZEFIR PWU 1.11 0.16 56 0.80 1.42
BRV 8380 PWU 1.09 0.16 56 0.78 1.40
BRV 8472 PWU 1.00 0.16 56 0.69 1.31
ACRUX PWU 0.98 0.16 56 0.67 1.29
P 1804 PWU 0.96 0.16 56 0.65 1.27

No obstante, según la tabla anterior las estimaciones de sensibilidad se no se separan de la norma promedio (intervalo de confianza no contiene al 1). Por ejemplo, la pendiente estimada para PAN 5175 PWU con un 90% de confianza se encuentra entre 0.92 y 1.54. Del mismo modo, para P 1804 PWU el verdadero valor se encontraría entre 0.65 y 1.27.

En la Figura 3.6 se presentan las gráficas correspondientes a las normas de reacción a los cambios del IA en relación a la respuesta promedio (recta 1:1). Por defecto se muestra el primer genotipo, pero haciendo click o doble-click sobre los nombres de los genotipos se pueden agregar/remover rectas para comparar.

Figura 3.6: Respuesta diferencial de cada Genotipo a los cambios del IA ultimas 2 campañas

Según el gráfico anterior se observa la mayor pendiente de PAN 5175 PWU y menor pendiente de P 1804 PWU aunque con rendimientos más altos en todo el rango.

4 Consideraciones finales

En general se observó una moderada variabilidad de los rendimientos de cada genotipo a través de las distintas localidades evaluadas y baja heterogeneidad de respuesta dentro de cada localidad reflejada por los testigos. A nivel global las diferencias se detectaron diferencias mayores a 1100 kg ha-1 entre el material P 1804 PWU y el grupo conformado por DM 2789 VIP3, SPS 2743 VIP3 y ARG 7718 MGRR2.

En el estudio de la interacción GA de la campaña actual se detectó diferencias significativas respecto al patrón de respuesta promedio. Las pendientes de NEXT 25.8 PWU, NK 842 VIP3, NS 7921 VIP3 CL fueron estadísticamente superiores a la recta 1:1 mientras que AX 7818 VIP3 tuvo valor estimado menor a 1.

En el análisis combinado los datos de las últimas dos campañas se observó que los 8 genotipos analizados mostraron heterogeneidad de pendientes al 10%, siendo PAN 5175 PWU y P 1804 PWU el menos sensible pero con rendimientos más altos en todo el rango.

5 Agradecimientos

  • A las empresas semilleras: A.C.A., Argenetics, Brevant, Don Mario, Forratec, Hersems, La Tijereta, Monsanto, Nexsem, Nidera, NK, Nord, Pannar, Pioneer, y SPS, por haber confiado un año más en nuestra zona y en la utilidad de los Ensayos Comparativos de Rendimiento.

  • A las Empresas CREA de la Región Norte de Santa Fe que año tras año realizan el esfuerzo de siembra conducción y cosecha de estas macro parcelas en sus establecimientos, dedicando personal tiempo y recursos para tal fin.

  • A las empresas Extra CREA – Faccioli Diego y Larrauri Maria Inmaculada por realizar el esfuerzo de siembra conducción y cosecha de estas macro parcelas en sus establecimientos, dedicando personal, tiempo y recursos para tal fin.

6 Apéndice

6.1 Análisis estadístico

6.1.1 Rendimientos testigos

La información proveniente de las franjas testigo repetidas se utilizó para evaluar la variación dentro de las localidades y la existencia de tendencia espacial de los rendimientos según su ubicación en el experimento. Para esto último, en cada localidad se ajustaron modelos lineales de los rendimientos en función del orden de la parcela:

\[ y_{i} = \beta_0 + \beta_1X_i + e_{i} \]

donde: \(y_{i}\) representa la respuesta del testigo en la parcela \(i\), \(X_i\) es el número de posición de la parcela en el experimento, y \(\beta_0\) y \(\beta_1\) coeficientes de regresión.

6.1.2 Estadísticas descriptivas

Se calcularon estadísticas de resumen y gráficos descriptivos por genotipo y localidad para la variable respuesta rendimiento seco (kg ha-1).

El promedio de cada genotipo en la red se calculó utilizando la siguiente expresión:

\[ \bar{y}_i = \dfrac{\sum y_{ij}}{n_i} \]

donde: \(\bar{y}_i\) es el rendimiento medio del genotipo \(i\), \(y_{ij}\) es el rendimiento del genotipo \(i\) en la localidad \(j\) y \(n_i\) es el número de localidades donde fue evaluado el genotipo \(i\). En aquellos casos donde se contó con más de una franja por localidad, los datos fueron promediados dentro de cada localidad. Así mismo el coeficiente de variación (\(CV\)) de cada genotipo en la red se calculó mediante la siguiente expresión:

\[ CV_{{y}_i} = \dfrac{s_{y_i}}{\bar{y}_i} \times 100 \]

donde: \(\bar{y}_i\) es el rendimiento medio del genotipo \(i\) y \(s_{y_{i}}\) es el desvío estándar de los rendimientos del genotipo \(i\) a través de las localidades:

\[ s_{y_i} = \sqrt{\dfrac{\sum \left(y_{ij} - \bar{y}_i \right)^2}{n_i -1}} \]

Las estadísticas anteriores se expresaron en valores absolutos y relativos al promedio de la localidad.

6.1.3 Diferencias de rendimiento

Para comparar y determinar las diferencias de respuesta de los materiales evaluados a nivel región se ajustó a los datos un modelo lineal mixto, i.e. con efectos fijos y aleatorios sobre el rendimiento medio global de la Red. Los genotipos y el stand de plantas fueron considerados efectos fijos y las localidades efectos aleatorios:

\[ y^*_{ij} = \mu + \tau_i + \rho_j + l_j + e_{ij} \]

donde: \(y^*_{ij}\) representa la respuesta del genotipo \(i\) sembrado en la localidad \(j\), corregido por efecto de la posición de la parcela en caso necesario; \(\mu\) es la media general de los ensayos de la red, \(\tau_i\) es efecto o diferencia del genotipo \(i\) respecto a la media general del ensayo, \(\rho_i\) es efecto de la relación stand de plantas y rendimiento en la localidad \(j\), \(l_j\) el efecto de la localidad \(j\), y \(e_{ij}\) el error experimental asociado al genotipo \(i\) sembrado en la localidad \(j\). Se asume que \(l_j\) como \(e_{ij}\) son independientes y tienen distribución normal con media 0 y varianza \(\sigma^2_l\) y \(\sigma^2_e\).

Este modelo asume que los niveles de Localidad son una muestra aleatoria de las localidades de la Región Norte y permite realizar inferencia más amplia sobre la respuesta de los genotipos. Debido a que los testigos fueron las únicas variedades replicadas, la interacción Genotipo:Localidad representaría la heterogeneidad de dicho genotipo dentro de cada Localidad por lo tanto no fue estimada (Piepho et al., 2012).

Las diferencias de rendimiento entre genotipos se determinaron mediante la prueba de comparaciones múltiples de Tukey, considerando un nivel de significancia de 10%.

6.1.4 Análisis interacción genotipo x ambiente

Para explorar los patrones de interacción GA se utilizó el procedimiento de regresión sobre la media (Finlay y Wilkinson, 1963)

La heterogeneidad ambiental explorada por los genotipos considerados en la red se caracterizó mediante los rendimientos medios de cada Localidad. Esta covariable denominada Índice Ambiental (IA) fue utilizada para modelar la interacción GA a partir del siguiente modelo:

\[ y_{ij} = \mu_i + \beta_i X_j + e_{ij} \]

donde: \(y_{ij}\) es el rendimiento del genotipo \(i\) en el ambiente o localidad \(j\), \(\mu_i\) es la ordenada al origen de cada genotipo, \(X_j\) el índice ambiental de la localidad \(j\), y \(\beta_i\) la pendiente o sensibilidad del genotipo \(i\) a los cambios del IA.

Según este modelo, \(\mu_i\) representa el comportamiento de los genotipos en el ambiente promedio y los coeficientes \(\beta_i\) la sensibilidad de los Genotipos a la calidad del ambiente caracterizada por el rendimiento medio de la localidad. Entonces, si la interacción GA es significativa representa la heterogeneidad de respuestas, i.e. \(\beta\) distintos para los genotipos. El valor de \(\beta\) indica la sensibilidad el genotipo a los cambios de calidad del ambiente. Si \(\beta_i > 1\) indica que el genotipo \(i\) tiene una respuesta mayor al promedio (a mayor calidad ambiental, mayor rendimiento), en cambio si \(\beta_i < 1\), entonces el genotipo responde menos.

Para complementar este análisis, se realizó el mismo procedimiento combinando los datos de últimas campañas. La Tabla 6.1 muestra el número de genotipos presentes en todas las localidades de las últimas campañas.

Tabla 6.1: Número de genotipos presentes en todas las localidades de las últimas campañas
Campañas Número de genotipos
2021/22 21
2020/21, 2021/22 8
2019/20, 2020/21, 2021/22 1
2018/19, 2019/20, 2020/21, 2021/22 0
2017/18, 2018/19, 2019/20, 2020/21, 2021/22 0
2016/17, 2017/18, 2018/19, 2019/20, 2020/21, 2021/22 0

De los 87 genotipos evaluados durante las últimas 6 campañas, sólo 7 estuvieron en todos los ambientes conformados por la interacción Campaña:Localidad de las campañas 2021/22 y 2020/21. Estos genotipos fueron utilizados para el análisis. Si bien el criterio de inclusión reduce la cantidad de genotipos se incrementa la potencia para detectar patrones de interacción.

6.2 Software

Los datos fueron procesados utilizando el software estadístico R versión 4.1 (R Core Team, 2021) y los paquetes nlme (Pinheiro et al., 2018), emmeans (Lenth, 2019), tidyverse (Wickham, 2017) y plotly (Sievert, 2020).

7 Bibliografía

Finlay, K. W., and Wilkinson, G.N. (1963). The analysis of adaptation in a plant-breeding programme. Aust. J. Agric. Res. 14, 742–754.

Kempton, R.A. (Ed) (1997). Statistical methods for plant variety evaluation. Plant breeding series. Chapman & Hall, London. pp. 191.

Lenth, R. (2019). emmeans: Estimated Marginal Means, aka Least-Squares Means. R package version 1.3.3. https://CRAN.R-project.org/package=emmeans

Malosetti, Marcos, Jean-Marcel Ribaut, and Fred A. van Eeuwijk. 2013. “The Statistical Analysis of Multi-Environment Data: Modeling Genotype-by-Environment Interaction and Its Genetic Basis.” Frontiers in Physiology 4 (March). doi:10.3389/fphys.2013.00044.

Piepho, H.P., C. Richter, J. Spilke, K. Hartung, A. Kunick, and H. Thöle. 2011. Statistical aspects of on-farm experimentation. Crop and Pasture Science 62(9): 721.

Pinheiro J, Bates D, DebRoy S, Sarkar D, R Core Team (2018). nlme: Linear and Nonlinear Mixed Effects Models. R package version 3.1-137, URL: https://CRAN.R-project.org/package=nlme.

R Core Team (2021). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.

Sievert, C. (2020) Interactive Web-Based Data Visualization with R, plotly, and shiny. Chapman and Hall/CRC Florida.

Wickham, H. (2017). tidyverse: Easily Install and Load the ‘Tidyverse’. R package version 1.2.1. https://CRAN.R-project.org/package=tidyverse

Yan, W.; Kang, M. S. (2002). GGE Biplot Analysis: A Graphical Tool for Breeders, Geneticists, and Agronomists. 1st edition. CRC Press. pp. 288.